MyheartinMyway

Cursor 和 Claude Code 用了也有很长的一段时间，我现在的日常大概是：Cursor 占 60%，Claude Code 占 40%...

每月都有大量 AI 框架涌入市场，你是否感到不知所措？你并不孤单。随着人工智能重塑技术格局，选择正确的 AI 框架对于工程师和开发人员来说至关重要。从构建简单的聊天机器人到开发复杂的语言模型，这些框架

这段时间我个人在学习和工作中使用 MCP 非常多，体验了各种场景，有些工具浮于表面，根本不实用，但是有些工具确实是真的让我感受到效率提升。所以今天这一期主要是跟大家来介绍一下我这段时间的使用体验，给大

LangChain简化AI开发，如乐高积木般组合模型API，prompts生成高质量提示词，Python Notebook便捷操作，快速构建AI应用。

背景 大型语言模型（LLM）的前沿研究中，一个核心挑战与机遇并存的领域是扩展它们的能力，以解决超出其训练数据范畴的问题，如目前比较火热的AI Agent的解决方案，使得LLM有了自己的分析决策能力，并

本文主要介绍AutoGen中的Group Chat功能，通过模拟医院看病的流程来对Group Chat的功能及用法进行说明。同时也对Nested chats进行简要的介绍。

众所周知，正是因为 Claude 3.5 Sonnet 出色的编程能力，让诸如 Cursor、Windsurf 这样的编程工具大放异彩，而 Claude 3.7 Sonnet 的出现，应该能让

LangChain的RAG实践。简要的描述了RAG的概念和由来，并进入步说明了RAG解决了LLM的哪些短板。通过一个实例演示了通过LangChain实现RAG

为了解决用户使用大模型服务体验差的问题，使用 flask + qwen 实现 txt2sql 流式输出